Metody poprawy jakości obrazu (image enchancement)

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody poprawy jakości obrazu (image enchancement)"

Transkrypt

1 Metody poprawy jakości obrazu imae echacemet) Są to metody wstępeo przetwarzaia obrazu. Celem tych metod jest oóla poprawa jakości obrazu poprzez modyikację jeo jasości, kotrastu lub historamu.

2 Metody poprawy jakości obrazu Metody poprawy jakości obrazu oparte są o kryteria subiektywe wrażeia wzrokowe człowieka). W tych metodach ie są wykorzystywae obiektywe kryteria matematycze.

3 METODY POPRAWY JAKOŚCI OBRAZU OPERACJE PUNKTOWE MODELOWANIE HISTOGRAMU OPERACJE PRZESTRZENNE NADAWANIE KOLORÓW POPRAWA KONTRASTU ELIMINACJA ZNIEKSZTAŁCEŃ POPRAWA KONTRASTU POPRZEZ MODELOWANIE HISTOGRAMU FILTRACJA LINIOWA FILTRACJA NIELINIOWA DETEKCJA KRAWĘDZI PSEUDOKOLORY NADAWANIE KOLORÓW FAŁSZYWYCH WYRÓWNYWANIE JASNOŚCI TŁA ZOOMING

4 Metody poprawy jakości obrazu Jasość J MN M N i j i, j) Kotrast C MN M N i j [ i, j) J ] M, N - wymiary obrazu, i,j) - poziom jasości w pukcie i,j)

5 Wpływ jasości i kotrastu a wyląd obrazu J94, C9 J9, C38 J, C47

6 Historam obrazu Imae : array[..m,..n]o byte; Hist : array[..l-]o loit;... Hist:; or i: to M do or j: to N do Ic Hist[ Imae[i, j] ] );...

7 8 oryialy Wpływ jasości i kotrastu a historam obrazu ciemy jasy

8 Liiowe odwzorowaie poziomów jasości L- m i,j) m i,j) + d d L- m ~ kotrast d ~ jasość OBRAZ WYNIKOWY OPERACJA PUNKTOWA OBRAZ ŹRÓDŁOWY

9 MATLB Demo zmiaa kotrastu i jasość

10 Rozciąaie historamu obrazu To jest rówież odwzorowaie liiowe???) M I N M A X L- i,j) i,j)< MIN L- MAX - i,j)- MIN ), MIN i,j) MAX MIN L- i,j)> MAX

11 Rozciąaie historamu obrazu - przykład MIN, MAX

12 Iwersja poziomów jasości obrazu L- L- Jak zaimplemetować iwersję???

13 Nieliiowe odwzorowaie poziomów jasości L- lx) i,j) T i,j)) sqrtx) x expx) Korekcja γ L- OBRAZ WYNIKOWY OBRAZ ŹRÓDŁOWY Normalizacja! OPERACJA PUNKTOWA

14 Nieliiowe odwzorowaie poziomów jasości - przykłady Obraz oryialy

15 Nieliiowe odwzorowaie poziomów jasości - przykłady Tx 5 5 Tsqrtx) 8 6 4

16 Nieliiowe odwzorowaie poziomów jasości - przykłady Te x 5 5 Tlox) 5 5

17 Nieliiowe odwzorowaie poziomów jasości - alorytm Przykład: ukcja kwadratowa ormalizacja: doly przedział - -> óry przedział > 55 współczyik ormalizacji: orm/55... or i: to M do or j: to N do [i,j]:roudsqr[i,j])*orm);...

18 Nieliiowe odwzorowaie poziomów jasości - alorytm Przykład: ukcja kwadratowa lut : array[..55]o byte;... or k: to 55 do lut[k]:roudk*k*orm) or i: to M do or j: to N do [i,j]:lut[[i,j])];...

19 Poprawa jakości zdjęć z teleskopu - przykład Tb loax)

20 Wyrówywaie historamu obrazu celem wyrówaia historamu jest uzyskaie maksymalie rówomiereo rozkładu poziomów jasości obrazu dla całeo jeo zakresu skutkiem wyrówaia historamu jest poprawa kotrastu obrazu ormalizacja obrazu

21 Wyrówywaie historamu obrazu p) p ) /L-) L- L- p )hist[]/mn p )/L-)

22 ] [ ) ] [ ) ) ) ),...,L -,,, ), ) ) ) hists L MN i hist L i p L L i p L L u L du L dh h p du u p dh h p i i i Wyrówywaie historamu obrazu

23 Obliczaie historamu skumulowaeo %hist day historam obrazu %hists wyzaczay historam skumuloway % M,N liczba wierszy i kolum obrazu % L liczba poziomów jasości, p. L56 histszeros,56); hist)hists); or i:56, hci)hci-)+hi); ed; histshists/m*n);

24 Historam oraz historam skumuloway

25 Wyróway historam Wyrówywaie historamu obrazu.8.6 Historam skumuloway Maxhisteq)maxhist) 8 Historam 6 4 L ) histc[ ] 5 5 5

26 Procedura wyrówywaia historamu obrazu -przykład

27 Wyrówywaie historamu obrazu

28 Wyrówywaie historamu obrazu

29 MATLB Demo zmiaa kotrastu i jasość

30 Elimiacja ziekształceń - sumowaie obrazów + + K l l K l l j i K j i j i j i K j i ), ), )], ), [ ), l i,j) - szum ieskoreloway z obrazem o wartości średiej i wariacji v l K UWAGA! - kotrola zakresu zmieych

31 Sumowaie obrazów - przypadek l v v v j i MN j i MN E E E E E E V E E E E M i N j M i N j ) 4 )]), [ )], [ 4 ]) } [{ ] } [{ 4 ] } { } }{ { } [{ 4 }]) { } [{ })) { } { }) { })] { }) { [ }) { } { }) { }) { } { } { { }, { } - szum o wartości średiej rówej i wariacji v v v, ieskoreloway z obrazem

32 Moża rówież wykazać, że średia wartość szczytowa szumu {} po uśredieiu) ulea zmiejszeiu K razy Sumowaie obrazów - przypadek l K v K v K K E E E V E K K E E K K l l K l l K l l K l l K l l }] { [ })) { } { }) { }) { }] { [ }) { } { } {

33 Elimiacja ziekształceń - przykład Szum aussowski, wartość średia, wariacja. Wyik sumowań Wyik 5 sumowań

34 Redukcja zakłóceń obrazu przez uśrediaie sekwecji obrazów N N N8 N6 Obraz mikroskopowy komórki

Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1)

Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1) Michał Strzelecki Metody przetwarzania i analizy obrazów biomedycznych (1) Prezentacja multimedialna współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego w projekcie Innowacyjna

Bardziej szczegółowo

AKWIZYCJA I PRZETWARZANIE WSTĘPNE

AKWIZYCJA I PRZETWARZANIE WSTĘPNE WYKŁAD 2 AKWIZYCJA I PRZETWARZANIE WSTĘPNE Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x,y)) do postaci zbioru danych dyskretnych (obraz cyfrowy) nadających

Bardziej szczegółowo

AKWIZYCJA I PRZETWARZANIE WSTĘPNE OBRAZU

AKWIZYCJA I PRZETWARZANIE WSTĘPNE OBRAZU AKWIZYCJA I PRZETWARZANIE WSTĘPNE OBRAZU WYKŁAD 2 Marek Doros Przetwarzanie obrazów Wykład 2 2 Akwizycja (pozyskiwanie) obrazu Akwizycja obrazu - przetworzenie obrazu obiektu fizycznego (f(x, y)) do postaci

Bardziej szczegółowo

WYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego

WYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego WYKŁAD 3 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego 1 Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego (c.d.) 2 Zestawienie zbiorcze - Regulacje

Bardziej szczegółowo

POB Odpowiedzi na pytania

POB Odpowiedzi na pytania POB Odpowiedzi na pytania 1.) Na czym polega próbkowanie a na czym kwantyzacja w procesie akwizycji obrazu, jakiemu rodzajowi rozdzielczości odpowiada próbkowanie a jakiemu kwantyzacja Próbkowanie inaczej

Bardziej szczegółowo

Proste metody przetwarzania obrazu

Proste metody przetwarzania obrazu Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami

Bardziej szczegółowo

Przetwarzanie obrazów wykład 2

Przetwarzanie obrazów wykład 2 Przetwarzanie obrazów wykład 2 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Etapy obróbki pozyskanego obrazu Obróbka wstępna

Bardziej szczegółowo

Rozpoznawanie Twarzy i Systemy Biometryczne

Rozpoznawanie Twarzy i Systemy Biometryczne Filtry Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu

Bardziej szczegółowo

Przetwarzanie obrazów rastrowych macierzą konwolucji

Przetwarzanie obrazów rastrowych macierzą konwolucji Przetwarzanie obrazów rastrowych macierzą konwolucji 1 Wstęp Obrazy rastrowe są na ogół reprezentowane w dwuwymiarowych tablicach złożonych z pikseli, reprezentowanych przez liczby określające ich jasność

Bardziej szczegółowo

Operator rozciągania. Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości

Operator rozciągania. Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości Operator rozciągania q = 15 ( p p1 ) ( p p ) 0 2 1 dla p < p p 1 2 dla p p, p > p 1 2 Obliczyć obraz q i jego histogram dla p 1 =4, p 2 =8; Operator redukcji poziomów szarości q = 0 dla p p1 q2 dla p1

Bardziej szczegółowo

Metody komputerowego przekształcania obrazów

Metody komputerowego przekształcania obrazów Metody komputerowego przekształcania obrazów Przypomnienie usystematyzowanie informacji z przedmiotu Przetwarzanie obrazów w kontekście zastosowań w widzeniu komputerowym Wykorzystane materiały: R. Tadeusiewicz,

Bardziej szczegółowo

Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.

Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska. Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na

Bardziej szczegółowo

3. OPERACJE BEZKONTEKSTOWE

3. OPERACJE BEZKONTEKSTOWE 3. OPERACJE BEZKONTEKSTOWE 3.1. Tablice korekcji (LUT) Przekształcenia bezkontekstowe (punktowe) to takie przekształcenia obrazu, w których zmiana poziomu szarości danego piksela zależy wyłącznie od jego

Bardziej szczegółowo

Analiza obrazów - sprawozdanie nr 2

Analiza obrazów - sprawozdanie nr 2 Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która

Bardziej szczegółowo

Przekształcenia punktowe

Przekształcenia punktowe Przekształcenia punktowe Przekształcenia punktowe realizowane sa w taki sposób, że wymagane operacje wykonuje sie na poszczególnych pojedynczych punktach źródłowego obrazu, otrzymujac w efekcie pojedyncze

Bardziej szczegółowo

Diagnostyka obrazowa

Diagnostyka obrazowa Diagnostyka obrazowa Ćwiczenie piate Filtrowanie obrazu Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z pojęciami szumu na obrazie oraz metodami redukcji szumów przez

Bardziej szczegółowo

Diagnostyka obrazowa

Diagnostyka obrazowa Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie piąte Filtrowanie obrazu Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z pojęciami szumu na obrazie oraz metodami redukcji szumów

Bardziej szczegółowo

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Wyższa Szkoła Informatyki Stosowanej i Zarządzania Wyższa Szkoła Informatyki Stosowanej i Zarządzania Grupa ID308, Zespół 11 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 6 Temat: Operacje sąsiedztwa wyostrzanie obrazu Wykonali: 1. Mikołaj Janeczek

Bardziej szczegółowo

Komputerowe obrazowanie medyczne

Komputerowe obrazowanie medyczne Komputerowe obrazowanie medyczne Część II Przetwarzanie i analiza obrazów medycznych Grafika rastrowa i wektorowa W grafice wektorowej obrazy i rysunki składają się z szeregu punktów, przez które prowadzi

Bardziej szczegółowo

Analiza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

Analiza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Analiza obrazu komputerowego wykład 3 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Binaryzacja Binaryzacja jest jedną z ważniejszych ż czynności punktowego przetwarzania obrazów. Poprzedza prawie zawsze

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Politechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.

Politechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna. Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

Przekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu

Przekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu Definicja Przekształcenia kontekstowe są to przekształcenia które dla wyznaczenia wartości jednego punktu obrazu wynikowego trzeba dokonać określonych obliczeń na wielu punktach obrazu źródłowego. Przekształcenia

Bardziej szczegółowo

Filtracja obrazu operacje kontekstowe

Filtracja obrazu operacje kontekstowe Filtracja obrazu operacje kontekstowe Podział metod filtracji obrazu Metody przestrzenne i częstotliwościowe Metody liniowe i nieliniowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej Filtracja obrazów w dziedzinie częstotliwości w dziedzinie przestrzennej filtry liniowe filtry nieliniowe Filtracja w dziedzinie częstotliwości Obraz oryginalny FFT2 IFFT2 Obraz po filtracji f(x,y) H(u,v)

Bardziej szczegółowo

Rozciąganie histogramu

Rozciąganie histogramu Rozciąganie histogramu Histogram jest wykresem przedstawiającym częstość występowania pikseli o danej jaskrawości, jasności, barwie. Raster 1 1 3 1 0 2 2 2 3 3 3 1 1 4 0 0 0 3 1 3 4 1 3 3 3 1 3 2 3 5 1

Bardziej szczegółowo

Przetwarzanie obrazu

Przetwarzanie obrazu Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego

Bardziej szczegółowo

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 3 AiR III

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 3 AiR III 1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może

Bardziej szczegółowo

Filtracja obrazu operacje kontekstowe

Filtracja obrazu operacje kontekstowe Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja

Bardziej szczegółowo

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany

Bardziej szczegółowo

Zygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab

Zygmunt Wróbel i Robert Koprowski. Praktyka przetwarzania obrazów w programie Matlab Zygmunt Wróbel i Robert Koprowski Praktyka przetwarzania obrazów w programie Matlab EXIT 2004 Wstęp 7 CZĘŚĆ I 9 OBRAZ ORAZ JEGO DYSKRETNA STRUKTURA 9 1. Obraz w programie Matlab 11 1.1. Reprezentacja obrazu

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja rozwiązań układu równań Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie

Bardziej szczegółowo

Rekonstrukcja obrazu (Image restoration)

Rekonstrukcja obrazu (Image restoration) Rekonstrukcja obrazu (Image restoration) Celem rekonstrukcji obrazu cyfrowego jest odtworzenie obrazu oryginalnego na podstawie obrazu zdegradowanego. Obejmuje ona identyfikację procesu degradacji i próbę

Bardziej szczegółowo

Grafika Komputerowa Wykład 2. Przetwarzanie obrazów. mgr inż. Michał Chwesiuk 1/38

Grafika Komputerowa Wykład 2. Przetwarzanie obrazów. mgr inż. Michał Chwesiuk 1/38 Wykład 2 Przetwarzanie obrazów mgr inż. 1/38 Przetwarzanie obrazów rastrowych Jedna z dziedzin cyfrowego obrazów rastrowych. Celem przetworzenia obrazów rastrowych jest użycie edytujących piksele w celu

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

Detekcja twarzy w obrazie

Detekcja twarzy w obrazie Detekcja twarzy w obrazie Metoda na kanałach RGB 1. Należy utworzyć nowy obrazek o wymiarach analizowanego obrazka. 2. Dla każdego piksela oryginalnego obrazka pobiera się informację o wartości kanałów

Bardziej szczegółowo

POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement)

POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement) POPRAWIANIE JAKOŚCI OBRAZU W DZIEDZINIE PRZESTRZENNEJ (spatial image enhancement) Przetwarzanie obrazów cyfrowych w celu wydobycia / uwydatnienia specyficznych cech obrazu dla określonych zastosowań. Brak

Bardziej szczegółowo

PRZETWARZANIE SYGNAŁÓW

PRZETWARZANIE SYGNAŁÓW PRZETWARZANIE SYGNAŁÓW SEMESTR V Wykład VII Sygnały 2D i transformacja Fouriera 2D 2 1 2 Splot 2D d d y H F y H y F y G ), ( ), ( ), ( ), ( ), ( H(,) F(,) H(-,-) H(-,y-) G(,y) Delta Diraca 2D (,y) 0 ),

Bardziej szczegółowo

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 10 AiR III

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 10 AiR III 1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może

Bardziej szczegółowo

Przekształcenia punktowe i geometryczne

Przekształcenia punktowe i geometryczne Przekształcenia punktowe i geometryczne 1 Przekształcenia punktowe Przekształcenia punktowe (bezkontekstowe) są to przekształcenia dotyczące stopnia szarości lub nasycenia barwy dla każdego punktu oddzielnie,

Bardziej szczegółowo

Przetwarzanie obrazu

Przetwarzanie obrazu Przetwarzanie obrazu Przekształcenia geometryczne Obroty Przesunięcia Odbicia Rozciągnięcia itp Przekształcenia geometryczne Obroty Wielokrotność 90 stopni Inne Przekształcenia geometryczne Obroty Wielokrotność

Bardziej szczegółowo

Ćwiczenie 6. Transformacje skali szarości obrazów

Ćwiczenie 6. Transformacje skali szarości obrazów Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej

Bardziej szczegółowo

PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń. Ćwiczenie 2. Korekcja zniekształceń radiometrycznych

PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń. Ćwiczenie 2. Korekcja zniekształceń radiometrycznych WyŜsza Szkoła Informatyki Stosowanej i Zarządzania Warsaw School of Information Technology WIT Grupa ID306, Zespół 2 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń Ćwiczenie 2 Temat: : Korekcja zniekształceń

Bardziej szczegółowo

Histogram obrazu, modyfikacje histogramu

Histogram obrazu, modyfikacje histogramu March 15, 2013 Histogram Jeden z graficznych sposobów przedstawiania rozkładu cechy. Składa się z szeregu prostokatów umieszczonych na osi współrzędnych. Prostokaty te sa z jednej strony wyznaczone przez

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

BIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat

BIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,

Bardziej szczegółowo

Segmentacja przez detekcje brzegów

Segmentacja przez detekcje brzegów Segmentacja przez detekcje brzegów Lokalne zmiany jasności obrazu niosą istotną informację o granicach obszarów (obiektów) występujących w obrazie. Metody detekcji dużych, lokalnych zmian jasności w obrazie

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Operacje przetwarzania obrazów monochromatycznych

Operacje przetwarzania obrazów monochromatycznych Operacje przetwarzania obrazów monochromatycznych Obraz pobrany z kamery lub aparatu często wymaga dalszej obróbki. Jej celem jest poprawienie jego jakości lub uzyskaniem na jego podstawie określonych

Bardziej szczegółowo

Analiza obrazów. Segmentacja i indeksacja obiektów

Analiza obrazów. Segmentacja i indeksacja obiektów Analiza obrazów. Segmentacja i indeksacja obiektów Wykorzystane materiały: R. Tadeusiewicz, P. Korohoda, Komputerowa analiza i przetwarzanie obrazów, Wyd. FPT, Kraków, 1997 Analiza obrazu Analiza obrazu

Bardziej szczegółowo

Przetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe

Przetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe Przetwarzanie obrazów Ogólna definicja Algorytm przetwarzający obraz to algorytm który, otrzymując na wejściu obraz wejściowy f, na wyjściu zwraca takŝe obraz (g). Grupy metod przetwarzania obrazu Przekształcenia

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia

Bardziej szczegółowo

Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT

Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT 3-1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa BD2,TC1, Zespół 2 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr3 Temat: Operacje sąsiedztwa wygładzanie i wyostrzanie

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

Przedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2.

Przedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2. Przedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2. Technika obrazu 24 W.3. Normalizacja w zakresie obrazu cyfrowego

Bardziej szczegółowo

Ćwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015

Ćwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015 Ćwiczenia z grafiki komputerowej 5 FILTRY Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 12 Wykorzystanie warstw Opis zadania Obrazy do ćwiczeń Zadanie ilustruje

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.

Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny. Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Zbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 5

Zbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 5 5. FILTRY LINIOWE I STATYSTYCZNE. WYRÓWNYWANIE TŁA. Znacznie większe znaczenie w przetwarzaniu obrazu niż operacje punktowe mają takie przekształcenia w których zmiana poziomu szarości piksela zależy nie

Bardziej szczegółowo

Filtracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla):

Filtracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla): WYKŁAD 3 Operacje sąsiedztwa Są to operacje, w których na wartość zadanego piksla obrazu wynikowego q o współrz. (i,j) mają wpływ wartości piksli pewnego otoczenia piksla obrazu pierwotnego p o współrzędnych

Bardziej szczegółowo

OPERACJE NA MACIERZACH DODAWANIE I ODEJMOWANIE MACIERZY

OPERACJE NA MACIERZACH DODAWANIE I ODEJMOWANIE MACIERZY OPERACJE NA MACIERZACH DODAWANIE I ODEJMOWANIE MACIERZY Dodawanie i odejmowanie macierzy jest możliwe tylko dla dwóch macierzy o takich samych wymiarach! Wynikiem tych operacji jest macierz o takich samych

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD Metoda najmniejszych kwadratów Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

Obraz i komputer. Trzy dziedziny informatyki. Podział przede wszystkim ze względu na dane wejściowe i wyjściowe

Obraz i komputer. Trzy dziedziny informatyki. Podział przede wszystkim ze względu na dane wejściowe i wyjściowe Obraz i komputer Trzy dziedziny informatyki Grafika komputerowa Przetwarzanie obrazów Rozpoznawanie obrazów Podział przede wszystkim ze względu na dane wejściowe i wyjściowe Grafika komputerowa Dane wejściowe

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Anna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów

Anna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów POLITECHNIKA ŁÓDZKA Wydział Elektrotechniki Elektroniki Informatyki i Automatyki Katedra Informatyki Stosowanej Anna Fabijańska Nr albumu: 109647 Streszczenie pracy magisterskiej nt.: Algorytmy segmentacji

Bardziej szczegółowo

ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt. Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel.

ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt. Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel. Grupa IZ07IO1 Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT ALGORYTMY PRZETWARZANIA OBRAZÓW Projekt Aplikacja przetwarzająca obrazy z możliwością eksportu i importu do programu MS Excel. Wykonali:

Bardziej szczegółowo

KAM-TECH sklep internetowy Utworzono : 09 listopad 2014

KAM-TECH sklep internetowy Utworzono : 09 listopad 2014 Model : - AWB, AGC, BLC, DZ OSD Effio-P Double Scan, 0,1Lux (kolor), Producent : CNB Kamera KAM-BFF-41F 700TVL TDN DSS 3D-DNR WDR Eclipsa AWB, AGC, BLC, DZ OSD Effio-P Double Scan, 0,1Lux (kolor), Kamera

Bardziej szczegółowo

Parametryczne Testy Istotności

Parametryczne Testy Istotności Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać

Bardziej szczegółowo

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wektory Fukcje rzeczywiste wielu zmieych rzeczywistych Matematyka Studium doktorackie KAE SGH Semestr leti 2008/2009 R. Łochowski Wektory pukty w przestrzei R Przestrzeń R to zbiór uporządkowaych -ek liczb

Bardziej szczegółowo

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)

Bardziej szczegółowo

Adam Korzeniewski p Katedra Systemów Multimedialnych

Adam Korzeniewski p Katedra Systemów Multimedialnych Adam Korzeniewski adamkorz@sound.eti.pg.gda.pl p. 732 - Katedra Systemów Multimedialnych camera obscura to pierwowzór aparatu fotograficznego Aparaty cyfrowe to urządzenia optoelektroniczne, które służą

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Wartość netto (zł) (kolumna 3x5)

Wartość netto (zł) (kolumna 3x5) Postępowanie WB.2420.9.2012.NG ZAŁĄCZNIK NR 6 Zadanie nr 2 L.p. Nazwa asortymentu parametry techniczne Ilość Nazwa wyrobu, nazwa producenta, określenie marki, modelu, znaku towarowego Cena jednostkowa

Bardziej szczegółowo

maska 1 maska 2 maska 3 ogólnie

maska 1 maska 2 maska 3 ogólnie WYKŁAD 4 Detekcja krawędzi, operacje morfologiczne Detekcja (wykrywanie) krawędzi (edge detection) jest to technika segmentacji obrazu, polegająca na znajdowaniu piksli krawędziowych przez sprawdzanie

Bardziej szczegółowo

Diagnostyka obrazowa

Diagnostyka obrazowa Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi

Bardziej szczegółowo

Techniki wizualizacji. Ćwiczenie 4. Podstawowe algorytmy przetwarzania obrazów

Techniki wizualizacji. Ćwiczenie 4. Podstawowe algorytmy przetwarzania obrazów Doc. dr inż. Jacek Jarnicki Instytut Informatyki, Automatyki i Robotyki Politechniki Wrocławskiej jacek.jarnicki@pwr.wroc.pl Techniki wizualizacji Ćwiczenie 4 Podstawowe algorytmy przetwarzania obrazów

Bardziej szczegółowo

KARTA PRZEDMIOTU. W5/1;W16/1 W5 Zna podstawowe metody przetwarzania wstępnego EP WM K_W9/3; obrazów barwnych.

KARTA PRZEDMIOTU. W5/1;W16/1 W5 Zna podstawowe metody przetwarzania wstępnego EP WM K_W9/3; obrazów barwnych. (pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PRZETWARZANIE OBRAZÓW CYFROWYCH 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma kształcenia: studia pierwszego stopnia 5. Forma

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. ajczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Histogram: Dystrybuanta:

Histogram: Dystrybuanta: Zadaie. Szereg rozdzielczy (przyjmujemy przedziały klasowe o długości 0): x0 xi i środek i*środek i_sk częstości częstości skumulowae 5 5 8 0 60 8 0,6 0,6 5 5 9 0 70 7 0,8 0, 5 5 5 0 600 0, 0,6 5 55 8

Bardziej szczegółowo

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy

Bardziej szczegółowo

EGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY

EGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WISUJE ZDAJĄCY ESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INORMATYKI

Bardziej szczegółowo

Wykład III. Granice funkcji. f : R A R, A przedział. f określona w x. K M x. lim. lim. Granice niewłaściwe:

Wykład III. Granice funkcji. f : R A R, A przedział. f określona w x. K M x. lim. lim. Granice niewłaściwe: : R A R, A przedział A, Wykład III Graice ukcji określoa w, S \ Deiicja 3. (deiicja Caucy eo raicy ukcji) : D U,, ( ) : ot Iaczej: Uot D U K M U ot U ot K M Graice iewłaściwe: k K R D M K K R M R D De.

Bardziej szczegółowo

KOREKTA ROZKŁADU JASNOŚCI (obrazy monochromatyczne i barwne)

KOREKTA ROZKŁADU JASNOŚCI (obrazy monochromatyczne i barwne) Ćwiczenia z grafiki komputerowej 1 KOREKTA ROZKŁADU JASNOŚCI (obrazy monochromatyczne i barwne) Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 19 Korekta rozkładu

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Cyfrowe Przetwarzanie Obrazów. Karol Czapnik

Cyfrowe Przetwarzanie Obrazów. Karol Czapnik Cyfrowe Przetwarzanie Obrazów Karol Czapnik Podstawowe zastosowania (1) automatyka laboratoria badawcze medycyna kryminalistyka metrologia geodezja i kartografia 2/21 Podstawowe zastosowania (2) komunikacja

Bardziej szczegółowo

Egzamin maturalny z informatyki Poziom rozszerzony część I

Egzamin maturalny z informatyki Poziom rozszerzony część I Zadaie 1. Długość apisów biarych (7 pkt) Opisaa poiżej fukcja rekurecyja wyzacza, dla liczby aturalej 0, długość apisu uzyskaego przez sklejeie biarych reprezetacji liczb aturalych od 1 do 1. ukcja krok

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

Wykład 11 ( ). Przedziały ufności dla średniej Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;

Bardziej szczegółowo

Kongruencje Wykład 4. Kongruencje kwadratowe symbole Legendre a i Jac

Kongruencje Wykład 4. Kongruencje kwadratowe symbole Legendre a i Jac Kogruecje kwadratowe symbole Legedre a i Jacobiego Kogruecje Wykład 4 Defiicja 1 Kogruecję w ostaci x a (mod m), gdzie a m, azywamy kogruecją kwadratową; jej bardziej ogóla ostać ax + bx + c może zostać

Bardziej szczegółowo